Beeldherkenning en patroonherkenning is een specifiek type AI en Deep Learning met hoog-dimensionele data, zoals beelden. Dat betekent dat één datapunt – denk maar aan een foto of een videoframe – erg veel informatie bevat. Het aantal pixels in één foto loopt bijvoorbeeld al snel in de miljoenen. Door de hoge dimensionaliteit van dit soort data zijn neurale netwerken zeer geschikt om ze te verwerken, of het nu gaat om het classificeren van beelden of het herkennen van objecten of patronen.
Binnen de familie van de neurale netwerken bestaan er verschillende types algoritmes en dataverwerking die gebruikt worden om het meest geschikte model te vinden. Hieronder beschrijven we enkele vaak gebruikte stappen in dit proces. Als voorbeeld gebruiken we hier het verwerken van beelden, maar dezelfde technieken worden net zo goed toegepast bij andere types hoog-dimensionele data voor patroonherkenning.
Naast specifieke modules voor media bedrijven, biedt het Trendskout AutoML platform ook tal van mogelijkheden voor IT teams om snel AI toepassingen op te zetten, Powered door onze unieke dubbele AI laag en gebruiksvriendelijke UI die datatransformaties, algoritmeselectie en hypertuning volledig automatiseert.
Ontvang toegang tot ons Resource Center met interessante business cases gratis in je mailbox.
Beeld- en patroonherkenning is één van de Trendskout AI Flow analyse-functies.
In deze stap worden enkele filters en pre processing-stappen toegepast op beelden. Hierdoor kunnen neurale netwerken sneller juiste patronen ontdekken. Trendskout past verschillende types feature transformatie –en extractie toe, in wisselwerking met de hypertuning stap. Zo kan een foto bijvoorbeeld eerst omgevormd worden via PCA naar een lager dimensionele structuur, kunnen hoog contrast filters op toegepast worden of kunnen er via feature extractie bepaalde onderdelen uit voorgeselecteerd worden. Deze stap is vergelijkbaar met de dataverwerking die gebeurt bij data met een lagere dimensionaliteit, maar gebruikt andere technieken. Net zoals bij classificatie is ook hier vaak geannoteerde data nodig, m.a.w. trainingsdata waarop het systeem kan leren welke patronen, objecten of beelden te herkennen.
Nadat de beelden, of andere hoog-dimensionele data, getransformeerd werden via feature extractie en feature transformatie, wordt gestart met het selecteren van het algoritme. Trendskout voert dit, net zoals bij de andere AI en Deep Learning toepassingen, autonoom uit. Binnen de familie van neurale netwerken, het achterliggende algoritme dus, zijn er tal van verschillende subtypes met elk hun eigen set parameters; het aantal neuronen, het aantal lagen van neuronen, hoe de informatie tussen neuronen wordt verwerkt en nog tal van anderen. Dit maakt ook hier dat een oneindig aantal configuraties mogelijk zijn waarvan maar enkele een optimaal resultaat opleveren, bijvoorbeeld op een correcte manier een object in een beeld of data kunnen herkennen. Trendskout voert deze hypertuning uit in wisselwerking met feature transformatie en feature extractie. Met andere woorden, via doorgedreven Deep Learning technieken kan Trendskout zelf de optimale databewerking, feature extractie – en transformatie, vinden en uitvoeren en het best presterende algoritme en bijhorende parameterconfiguratie opstellen. Het gecombineerde proces van databewerking, algoritme-selectie en hypertuning levert een optimaal model op dat de gewenste beeldherkenning of patroondetectie kan toepassen op nieuwe data in de volgende stap.
Wanneer de trainingsfase, de vorige 2 stappen, is afgerond kan het model ingezet worden in real-time op nieuwe data, bijvoorbeeld nieuwe beelden waar patronen of objecten in moeten herkend worden. De output van deze stap is afhankelijk van de opgestelde Trendskout AI flow – connect, analyse, automate; de identificatie van het gevonden patroon, een label, een gelijkaardig beeld of nog andere output.
Periodiek wordt het model geherevalueerd en wordt het hele proces uit de vorige twee stappen in de achtergrond herhaald. Indien een performanter model wordt gevonden, wordt het vorige model hierdoor vervangen.
Zoals bij andere AI functies kunnen AI flows via drag & drop opgezet worden om beeldherkenning- en patroonherkenning use cases te implementeren. Hierdoor zijn verschillende types inputbronnen en locaties mogelijk, afhankelijk waar de beelden of data toegankelijk zijn, of ze kunnen rechtstreeks in Trendskout worden opgeladen, wat praktisch is voor trainingsdata. Er zijn daarnaast verschillende types output mogelijk; weergeven van het herkende object, labelen van het beeld volgens herkende annotaties uit de trainingstap, signaleren wanneer een bepaalde patroon is ontdekt etc. Om dit te ondersteunen biedt Trendskout tal van output en automate opties aan; van het uitsturen van communicatie via e-mail of sms, het aansturen van een extern systeem via API of Plugin, wegschrijven van een resultaat in een database, het genereren van een rapport enz. Iedere stap in de AI flow kan via een visuele interface bediend worden in een no-code omgeving.
